Debris Flow Susceptibility Mapping Using Explainable Deep Learning in Eastern Hindukush Pakistan

泥石流是山区最具破坏性的地貌灾害之一，会对人类聚居地、基础设施和生态系统造成损害。巴基斯坦东兴都库什地区由于地形陡峭、季风降水强烈、构造活动活跃以及人为干扰日益加剧，尤为脆弱。本研究通过将卷积神经网络（CNN）与SHapley加法解释（SHAP）相结合，构建了一个综合性的泥石流易发性评估框架。利用GIS和遥感数据集，以30×30 m的空间分辨率制备了代表地形、水文、地质、环境和人为特征的13个 conditioning factors（孕灾因子）。CNN模型表现出较强的预测性能，曲线下面积（AUC）达到0.94，总体精度（ACC）为0.86，精确率为0.84，召回率为0.88，F1分数为0.86，Kappa系数为0.71。所得易发性图识别出约26.3%的研究区域为高至极高易发性区，主要集中于陡峭的河谷和高度切割的山地地形。易发性图进一步通过泥石流密度分析得到验证，结果显示灾害密度从极低区的0 events/km²增加到极高区的0.048 events/km²，且大多数历史泥石流事件集中在极高易发性类别内。SHAP分析识别出坡度、NDVI、降雨量、距道路距离和距河流距离是控制泥石流发生的最具影响力的孕灾因子。所提出的CNN–SHAP框架为区域尺度泥石流易发性评估提供了一种稳健且可解释的方法，适用于类似的山区环境。这些发现为数据稀缺山区的灾害减缓、基础设施规划和土地利用管理提供了有价值的信息。